معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Calculate the confidence intervals of correlation coeficients

ویژگی	مقدار
سیستم عامل	-
نام فایل	correlation-1.0.0
نام	correlation
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Xiangwen Wang
ایمیل نویسنده	wangxiangwen1989@gmail.com
آدرس صفحه اصلی	https://github.com/XiangwenWang/correlation
آدرس اینترنتی	https://pypi.org/project/correlation/
مجوز	BSD 2-Clause License

# correlation Calculate confidence intervals for correlation coefficients, including Pearson's R, Kendall's tau, Spearman's rho, and customized correlation measures. ## Methodology Two approaches are offered to calculate the confidence intervals, one parametric approach based on normal approximation, and one non-parametric approach based on bootstrapping. ### Parametric Approach Say r\_hat is the correlation we obtained, then with a transformation ``` z = ln((1+r)/(1-r))/2, ``` z would approximately follow a normal distribution, with a mean equals to z(r\_hat), and a variance sigma^2 that equals to 1/(n-3), 0.437/(n-4), (1+r_hat^2/2)/(n-3) for the Pearson's r, Kendall's tau, and Spearman's rho, respectively (read Ref. [1, 2] for more details). n is the array length. The (1-alpha) CI for r would be ``` (T(z_lower), T(z_upper)) ``` where T is the inverse of the transformation mentioned earlier ``` T(x) = (exp(2x) - 1) / (exp(2x) + 1), ``` ``` z_lower = z - z_(1-alpha/2) sigma, ``` ``` z_upper = z + z_(1-alpha/2) sigma. ``` This normal approximation works when the absolute values of the Pearson's r, Kendall's tau, and Spearman's rho are less than 1, 0.8, and 0.95, respectively. ### Nonparametric Approach For the nonparametric approach, we simply adopt a naive bootstrap method. * We sample a pair (x\_i, y\_i) with replacement from the original (paired) samples until we have a sample size that equals to n, and calculate a correlation coefficient from the new samples. * Repeat this process for a large number of times (by default we use 5000), * then we could obtain the (1-alpha) CI for r by taking the alpha/2 and (1-alpha/2) quantiles of the obtained correlation coefficients. ## References [1] Bonett, Douglas G., and Thomas A. Wright. "Sample size requirements for estimating Pearson, Kendall and Spearman correlations." Psychometrika 65, no. 1 (2000): 23-28. [2] Bishara, Anthony J., and James B. Hittner. "Confidence intervals for correlations when data are not normal." Behavior research methods 49, no. 1 (2017): 294-309. ## Installation: ``` pip install correlation ``` or ``` conda install -c wangxiangwen correlation ``` ## Example Usage: ```python >>> import correlation >>> a, b = list(range(2000)), list(range(200, 0, -1)) * 10 >>> correlation.corr(a, b, method='spearman_rho') (-0.0999987624920335, # correlation coefficient -0.14330929583811683, # lower endpoint of CI -0.056305939127336606, # upper endpoint of CI 7.446171861744971e-06) # p-value ```

نیازمندی

مقدار	نام
-	numpy
-	scipy

نحوه نصب

نصب پکیج whl correlation-1.0.0:

pip install correlation-1.0.0.whl

نصب پکیج tar.gz correlation-1.0.0:

pip install correlation-1.0.0.tar.gz